信息技术应用的日益提升使得互联网融入到人们生活的各个领域中,这也带来了海量增长的多媒体数据。现实中多媒体数据不仅种类和结构复杂多样,相关异构数据的表达也存在着多样性和不一致性。因此,如何在海量的多媒体数据中有效挖掘异构数据的复杂关系成为了跨媒体检索的难点之一。跨媒体检索是指不同媒体类型数据之间的相互检索,如何处理多媒体数据的异构鸿沟和语义鸿沟是本文重要的研究工作。本文主要对数据的特征关联性和语义判别性展开深入研究,充分挖掘了异构数据之间的复杂关系,深入分析了其较为全面和准确的语义信息。本文的研究工作主要包括以下两个方面:本文的第一项研究工作是提出一种基于图正则化与模态依赖的跨媒体检索算法。该算法在判别性子空间学习的基础上,利用不同媒体的数据特征和对应的语义类别进行语义关联图的构建。引入图正则化旨在保持不同空间的潜在流形结构,使不同数据在语义空间中的特征分布与原始空间中的特征分布趋于一致。此外,在映射过程中始终保持相似数据之间的一一对应关系,并对不同媒体的查询对象实现不同语义空间中的线性映射,从而学得其映射矩阵。第二项研究工作是提出一种基于特征关联学习的跨媒体检索算法。该算法不仅考虑了不同数据的潜在相关性和语义一致性,也通过构建多媒体数据的同构关联图和异构关联图来分析媒体数据内和媒体数据间的潜在关联关系。当多媒体数据被映射到语义子空间时,既保持了相似数据之间的语义一致性,也维持了不同数据之间的特征关联性。综上所述,本文提出的以上两种跨媒体检索算法主要针对不同数据的空间异构现象,实现了公共子空间中异构数据的线性映射。同时,充分利用了语义信息和数据特征来构建不同数据的特征关联图,并对这两种算法进行了大量的仿真实验,验证了其可行性和有效性。